Útmutatóhoz kapcsolódó kvíz · Kemény Szint
DINO öndesztillációs kvíz
Review DINO teacher updates, crop consistency, collapse prevention, and the curated-data approach that supports transferable DINOv2 features.
kérdés 1 -ból 8
Mit jelent a „NEM” a DINO-ban?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mit jelent a „NEM” a DINO-ban?
- Nincsenek címkék
- Nincs optimalizáló
- Neurális kimenet
- Normalizált objektív
- Hogyan frissülnek a tanári hálózat súlyai a DINO-ban?
- Közvetlen gradiens süllyedéssel a veszteségre
- Véletlenszerűen minden lépésben
- A tanuló súlyainak exponenciális mozgóátlagaként
- Előképzett modellből vannak lefagyasztva
- Milyen problémát akadályoz meg a tanári eredmények központosítása és élesítése?
- A GPU túlmelegedése
- Üzemmód összecsukása állandó kimenetre
- Lassú adatbetöltés
- Színtorzítás
- A DINO multi-crop stratégiájában milyen nézeteket kap a tanár?
- Csak a kis helyi termények
- Véletlenszerű zajfoltok
- Csak szürkeárnyalatos verziók
- Csak a globális termények
- What emergent property did the original DINO study observe in vision-transformer attention maps?
- Every map reconstructs an exact depth measurement
- Some maps highlight object structure without segmentation-label training
- Attention is trained directly on human-drawn masks
- All heads produce perfect object boundaries on every image
- How did DINOv2 extend the visual-feature approach of the original DINO?
- It scaled self-supervised training with curated data for transferable visual features
- It replaced visual inputs with text-only training
- It required segmentation labels for all pretraining images
- It removed the student-teacher learning approach entirely
- In DINO training, which network receives gradients from the student-teacher cross-entropy objective?
- Only the teacher, while the student stays frozen
- Both networks through the same backpropagation update
- Neither network because the outputs are fixed labels
- The student, while teacher parameters follow a moving average
- What does using DINOv2 as a frozen backbone mean for a downstream task?
- It must be retrained from scratch for every input image
- No task-specific output component can be attached
- Its pretrained feature-extractor weights remain fixed while task-specific components use its features
- The pretrained features can only reproduce the original training images